ماذا ستتعلم
بنهاية هذا المستوى، ستكون قادرًا على: فهم الفروق بين نماذج التعلم الخاضع للإشراف وغير الخاضع للإشراف، وتحديد أساسيات تصنيف Naive Bayes كمثال على تقنيات التصنيف الاحتمالية.
التعرف على الطرق المختلفة لتقييم نماذج تعلم الآلة، وتوضيح فائدة طرق التنبؤ بالسلاسل الزمنية المختلفة بما في ذلك ARIMA و FBProphet.
توضيح كيفية استخدام تقنيات التجميع بما في ذلك K-means والتكتل الهرمي، وتنفيذ مشروع باستخدام Python يلخص المراحل المختلفة لعلم البيانات كما هو مطبق على مشكلة معينة.
هذه الدورة تتضمن
- 3 ساعة 16 دقيقة/27 درس
- آخر تحديث: 27/10/2022
- شهادة إتمام الدورة
محتوى الدورة
مقدمة عن تعلم الآلة 1
مقدمة عن تعلم الآلة 2
أنواع خوارزميات تعلم الآلة
مقدمة عن تعلم الآلة 1
مقدمة عن تعلم الآلة 2
أنواع خوارزميات تعلم الآلة
التعلم غير الخاضع للإشراف 1
التعلم غير الخاضع للإشراف 2
التعلم الخاضع للإشراف
التصنيف
المُصنِف Naive Bayes 1
المُصنِف Naive Bayes 2
أمثلة تطبيقية على التصنيف 1
أمثلة تطبيقية على التصنيف 2
أمثلة تطبيقية على التصنيف 3
المُصنِف الساذج في لغة البرمجة Python
تقييم النموذج
تحليل السلاسل الزمنية 1
تحليل السلاسل الزمنية 2
الانحدار بعلاقة خطية
الانحدار بعلاقة خطية في لغة البرمجة Python
نموذج ARIMA
استخدام نموذج ARIMA في لغة البرمجة Python
استخدام FB Prophet في لغة البرمجة Python
التجميع 1
التجميع 2
التجميع 3
التجميع الهرمي
التجميع الهرمي في لغة البرمجة Python
خاتمة الدورة التدربية
عن الدورة
يوفر هذا المستوى مقدمة فى مجال تعلم الآلة باعتباره أحد المجالات المهمة للذكاء الاصطناعي التي يستخدمها علماء البيانات. يشرح المستوى أمثلة على تقنيات التعلم الخاضعة للإشراف بما في ذلك التصنيف والانحدار وتنبؤ السلاسل الزمنية. بالإضافة إلى ذلك، فإنه يعطي أمثلة على تقنيات التجميع غير الخاضعة للاشراف مع توضيح استخداماتها.
متطلبات الدورة
التخرج في أي جامعة (كلية الهندسة غير أساسية)
الخبرة السابقة في البرمجة لأي لغة تعد إضافة كبيرة
الدراية بالجبر الخطي إضافة كبيرة
عن الخبير
شريف جمال
عضو في معهد مهندسي الكهرباء والإلكترونيات
5,922 متعلمين
5 دورات